银河通用王鹤 WAM 路线图 —— 具身智能的 2028「"ChatGPT 时刻"」到底要怎么兑现
> 一句话摘要：在 8 月 19-23 日北京 WRC 2026 主论坛上，银河通用创始人兼 CTO 王鹤给出了具身智能产业的「"2028 路线图"」——把世界-动作模型 WAM 推到 AstraBrain WAM 0.5、把通用小脑推到 AstraBrain-WBC 0.5、把双足人形机器人 Galbot ET1 与轮式 G1 / 重载 S1 三件套统一驱动；后台是 100 万小时人手数据 + 50 万小时 UMI 头戴采集数据 + 8 万小时真实场景回流数据 + 100 万盒药房拣药部署；并把具身智能「"ChatGPT 时刻"」定义为「"未专门学习的常见技能上达到 70-80% 零样本泛化"」，「"2028 年"」把数据体量提升到 10 倍以逼近这个临界点。
🗣️ 起因：王鹤在 WRC 主论坛抛出的「"三年之约"」
8 月 19 日，2026 世界机器人大会（WRC）在北京开幕。第二天上午，银河通用创始人兼 CTO、北京大学研究员王鹤站在主论坛的讲台上，对着台下几百位「"机器人从业者 + 投资人 + 媒体"」抛出了一个贯穿全行业的命题：具身智能的 ChatGPT 时刻究竟该怎么定义？
他给出的答案是：机器人面对没有专门学习过的常见技能，也能实现零样本泛化；普通使用者无需算法背景，就能教会它新的动作。实现这一点，人形机器人需要一颗能理解物理世界、控制全身和双手、并且持续学习的大脑。
这不仅是技术观点，也是一份商业承诺。王鹤在同一场演讲里进一步明确了「"2028 年问鼎具身智能 ChatGPT 时刻"」：
> "在今天数据的积累下，以及后训练技术持续突破下，银河通用将在 2028 年 问鼎具身智能的 ChatGPT。一旦到达具身智能 ChatGPT 水平，整个行业落地规模和速度将大幅上升，到'十五五'结束的时候将可以看到银河通用落地 数十万台 人形机器人在各个行业。"
这不是孤立的豪言。WRC 期间，央广网 8 月 20 日的报道里引述王鹤的原话：「"预计到 2028 年前后，具身基础模型有机会达到数字世界 GPT-3.5 至 GPT-4 阶段对应的能力水平。到了那个节点，机器人对中训练、后训练的依赖下降，产业才可能出现从千台、万台到十万台、百万台的数量级跃迁。"」
「"现在是 ChatGPT-2 时期"」——这是王鹤对当下具身基础模型的判断。要追到「"ChatGPT-3.5 到 GPT-4"」水平，他给出的是「"两年"」的时间窗口。
🧠 AstraBrain WAM 0.5：把「"VLA"」与「"世界模型"」融进同一颗大脑
王鹤先把「"大脑"」的范式之争拆开：
- VLA（Vision-Language-Action）：Google RT-2 之后的主流路线，强强是能吸收大量带动作标签的数据；但只能吸收有动作标签的数据。
- 世界模型（World Model）：OpenAI 提出的另一条路线，强强是能吸收海量视频数据（包括无动作标签数据）；但它只能想象未来，不能直接决定每个关节该转多少度角。
WAM 不是纸上谈兵。WRC 期间同步释放了三个里程碑：
1. WAM 是银河通用在全球首次提出。2025 年 3 月挂出第一篇相关论文，被 ICCV 2025 接收。到 8 月 26 日王鹤在 WRC 主论坛演讲时搜索，「"世界动作模型"」已经有 171 篇后续论文。 2. AstraBrain WAM 0.5 在隐空间（Latent Space）里建模未来——不是把 RGB 完全清晰地想象出来，而是在「"去掉了光照、操作无关纹理的隐变量空间"」里想象未来。已经实现跨场景、跨本体、多任务作业。 3. NVIDIA 具身智能主任在红杉访谈里公开评价「"WAM 是机器人的终身游戏"」——这是 WAM 范式第一次被 NVIDIA 以官方级别背书。
🦾 AstraBrain-WBC 0.5：通用小脑 + 20 亿帧动捕数据 Scaling Law
如果 WAM 是「"大脑"」，那 WBC（Whole-Body Control） 就是「"小脑"」。王鹤强调：「"大小脑都是大模型，每一个都寻找它的 GPT 范式。"」
WBC 0.5 的训练数据来自 20 亿帧（2 billion frames）人类动捕数据。王鹤明确表示：「"我们验证十万小时人类数据下，通用小脑损失曲线会持续降低，这是通用小脑的 Scaling Law。"」
把这条规律放到具体任务里：
- 远程遥控人形机器人喂猫、铲猫砂等生活任务
- 高动态舞蹈（撑地、倒立、人机共舞）——这是 8 月 26 日银河·星仔 Galbot ET1 发布时的演示内容
- 应急场景支援、工业制造辅助、零售商品抓取
🤖 Galbot 三件套：双足 ET1 + 轮式 G1 + 重载 S1
WRC 现场，银河通用一次性放出了「"机器人三件套"」：
| 本体 | 类型 | 主要场景 | 关键数字 |
|---|---|---|---|
| Galbot ET1（银河·星仔） | 双足人形 | 实时多模态交互 + 高动态舞蹈 | 实时动作抽取 + 通用小脑驱动 |
| Galbot G1 | 轮式半人形 | 早餐制作 + 柔性叠衣 + 干扰重规划 | 杯子被移走、目标被遮仍自主重规 |
| Galbot S1 | 重载轮式 | 宁德时代产线 7×24h 执行 | 工业级长程任务 |
8 月 27 日腾讯网 8 月 27 日凌晨的文章汇总了 WRC 比赛成绩：银河通用包揽家庭、商超、餐饮三大最具含金量金牌、100% 夺冠：
- 餐饮场景：6 分 55 秒自主完赛，精准力控、零失误
- 商超场景：20 分钟内完成订单拣选 + 随机补货 + 错放归还，金银铜牌全包
- 家庭场景：早餐 / 叠衣 / 洗衣晾衣等长程任务
📊 数据金字塔：从合成数据到真实回流
王鹤把数据基建称为「"银河星树"」——一个具身智能五级数据金字塔：
| 层级 | 数据类型 | 银河通用规模 |
|---|---|---|
| L1 互联网数据 | 视频、图像、文本 | 通用爬虫 |
| L2 人类数据 | 人手操作数据 | 100 万小时（50 万小时裸手 + 50 万小时 UMI 头戴） |
| L3 合成数据 | 仿真 + 渲染 | 自研仿真器（柔性物体 / 洗牌 / 转笔 / 转核桃） |
| L4 真机遥操数据 | 6 个省市训练场 | 行业铺开采集 |
| L5 真机回流数据 | 真实部署 + 自主作业 | 8 万小时（医疗康养 + 宁德时代 + 药房） |
💊 商业落地：100 万盒药房 + 宁德时代产线 + 智慧康养
王鹤在 8 月 25 日接受中国商报记者采访时给出了硬数据：
> "银河通用从 2024 年 12 月开始率先进入药房场景。目前，我们的机器人已经在北京、上海、广州、深圳等城市的 近百家药房 中累计拣药超过 100 万盒。经过硬件与模型的长期磨合，机器人已经已经实现了较长时间的无故障运行。目前，无机械故障运行时间已经达到 一年半，我们还会继续朝三年、五年的目标努力。"
8 月 9 日，中国首个且唯一「"具身智能大模型"」领域省部级重点实验室在北京海淀揭牌，由银河通用联合北京大学、宁德时代共建。王鹤担任主任。学术委员会由中国工程院院士、北京大学博雅讲席教授、鹏城国家实验室主任高文领衔，14 位中外院士专家组成。
实验室聚焦五大主线：底层理论、核心控制技术、数据基建、整机部件研发、场景落地。递进目标是：三年突破全身全手端到端大模型技术、六年建成功能完备市级重点实验室、九年打造国际知名原创科研高地。
🛠️ WAM-TTT：客户拍视频就能后训练
王鹤在 8 月 25 日演讲中介绍了 WAM-TTT（Test-Time Training） —— 一个把「"后训练"」门槛压到极低的关键技术：
> "客户只需要拍视频，不需要做任何遥操数据采集就能够后训练模型。我们不需要任何学历的场景使用方，就可以采集数据。只要它头戴一个摄像机就可以采集它干活的视频，我们的后训练只需要视频数据不需要任何的标签、不需要任何的动作就能完成后训练。"
这是 WAM 范式在「"客户场景"」的延伸——不需要专业标注、不需要遥操、不需要昂贵的真机部署，普通客户拿一个头戴摄像机拍 10 分钟干活视频，就能把基础模型「"调教"」成自己场景里的专用模型。
来自王鹤 WRC 演讲原文：「"千行百业都能把机模用起来。"」
🎯 「"具身智能 ChatGPT 时刻"」的明确定义
王鹤给的定义非常具体：
> "具身智能的 ChatGPT 时刻我给它赋予的含义是，它能在人类不需要特殊学习任务上到达 70%—80% 的成功率。70—80% 的成功率还不够，我们下一步是怎样让这样的机模经过简单的后训练，能够让没有任何专业技能的人把机模后训练成场景中 高成功率 100% 干活儿的模型。"
这是把「"ChatGPT 时刻"」拆成了两个台阶：
1. 第一台阶（2028 年）：零样本泛化到 70-80% 成功率 2. 第二台阶（"十五五"结束前）：WAM-TTT 后训练到客户场景 100% 成功率
王鹤把实现路径概括为三件事：足够强的基础模型、足够低成本的场景适配能力、足够可靠的硬件。
🔬 行业横切：WRC 2026 给出的三个不同判断
WRC 2026 同期，多位行业大佬给出了不同时间窗口：
- 宇树王兴兴：「"具身智能真正爆发的临界点，应该是当一台机器人被带进任意陌生环境、通过语音指令能完成 80% 的任务时。这个时间点，我判断快则两三年、慢则五到十年。"」
- 墨奇智能黄青虬：「"数据是整个行业最底层的制约因素。具身智能面临一个典型的'先有鸡还是先有蛋'的问题。"」
- 王鹤：「"2028 年问鼎具身智能的 ChatGPT。"」
🧮 数字细节：从网球到灵巧手
WRC 期间展示的硬技术：
- 3 月份人形机器人全自主打网球——这是全球首次。马斯克第一时间评价：「"具身智能的 AlphaGo 时刻。"」背后是超越 1 万年 的仿真器对打训练时长数据。
- 春晚转核桃——灵巧手脑区的强化学习能力展示。核桃时松时紧、性状一直在变化，无法用固定轨迹实现。
- 全球首次高动态灵巧手转笔——笔与手指频繁碰撞，让仿真器难以完全保真。银河通用在全球首次实现这一操作。
🪞 我的观察
把 WRC 2026 主论坛上王鹤的演讲拆开看，他做了三件非常具体的事：
1. 把 WAM 范式从论文推到生产线——AstraBrain WAM 0.5 已经能驱动三种本体，跨场景复用； 2. 把「"ChatGPT 时刻"」从口号变成可量化指标——70-80% 零样本泛化 + 客户场景 100% 后训练； 3. 把商业落地时间表硬绑定到「"2028 年"」——并配套了 100 万小时人手数据 + 8 万小时真实回流的硬数据基建。
值得冷静看待的三个疑问：
1. 2028 年的时间窗口是否过于乐观？ 王鹤自己判断「"现在处于 ChatGPT-2 时期"」，从 GPT-2 到 GPT-3.5 实际用了 4 年（2019-2022），具身智能能否在 2 年内复制这一跃迁？ 2. WAM 是否真的是「"下一代范式"」？ NVIDIA 的红杉访谈背书、171 篇后续论文、ICC 2025 接收，是强信号。但 WAM 与 VLA、与世界模型、与传统行为克隆的边界在哪里，还需要更多独立验证。 3. 客户拍视频就能后训练是否会被滥用？ WAM-TTT 把门槛压到极低，但「"如何保证客户场景数据质量"」、「"如何避免后训练数据带偏基座"」是工程问题。
未来 6-12 个月值得跟踪的是：
- WAM 范式在 3-5 家头部具身公司里是否被采纳（截至目前已有 171 篇后续论文）
- AstraBrain WAM 1.0 何时推出（从 0.5 到 1.0 的迭代速度）
- 2026 WRC 三大金牌背后的真实场景数据（特别是商超「"现场订单内容随机 + 缺货位置不固定 + 干扰项外观相似"」这种实战复杂度）
#WRC #具身智能 #WAM #AstraBrain #2028ChatGPT时刻 #银河通用 #王鹤